Betrugserkennung mit KI und maschinellem Lernen – So schützen Sie Ihr Unternehmen

Veröffentlicht: 2020-06-22

Während Cybersicherheitsexperten in Zusammenarbeit mit Entwicklern und Analysten versuchen, ein perfektes System zum Schutz vor Betrug zu schaffen, wächst die Zahl der Opfer und erfolgreichen Versuche. Je mehr Aktionen wir durchführen und eine Spur der Daten hinterlassen, desto einfacher ist es, alle notwendigen Informationen zu sammeln, damit das betrügerische Schema erfolgreich ist. Die folgende Infografik gibt das aktuelle Bild wieder.

Offensichtlich haben die Methoden der vergangenen Jahre ihre Wirkung verloren. Auch Fraud Detection mit KI und Machine Learning ist weder ein Wundermittel noch eine absolute Schutzgarantie. Im Moment wurde jedoch nichts Besseres erfunden, daher ist es sinnvoll zu erfahren, wie ML-Lösungen und Betrugserkennungsanalysen Ihr Unternehmen sicherer und das Vertrauen Ihrer Kunden in Ihre Dienstleistungen erhöhen können.

Was ist Betrugserkennung mit maschinellem Lernen?

Das eigentliche Konzept der Betrugserkennung durch maschinelles Lernen basiert auf der Idee, dass legitime und illegale Handlungen unterschiedliche Merkmale aufweisen. Darüber hinaus können diese Zeichen für das menschliche Auge völlig unsichtbar sein.

Das maschinell lernende System zur Betrugserkennung geht von seinem Wissen über die legitime Operation aus, vergleicht dieses Wissen mit in Echtzeit auftretenden Ereignissen und zieht einen Schluss über die Zulässigkeit oder Rechtswidrigkeit einer bestimmten Handlung. So sieht es aus.

Betrugserkennung – Lösung für maschinelles Lernen für Unternehmenssicherheit

Tatsächlich ist die Unternehmenssicherheit nur die Spitze des Eisbergs. Oder ein Sammelbegriff. Systeme für maschinelles Lernen können Ihrem Unternehmen mehr bringen, als Sie denken.

  • Verbesserung der Kundenerfahrung

    Maschinelles Lernen an sich ist ein sehr leistungsfähiges Werkzeug zur Verbesserung der Benutzererfahrung. Intelligente Systeme lernen, Benutzer basierend auf ihren Aktionen zu verstehen, vorherzusagen, anzupassen und das Ziel zu treffen. Und schützen Sie Benutzer auch vor betrügerischen Versuchen.

    Das einfachste Beispiel ist die Erkennung von Kreditkartenbetrug. Fortgeschrittene Online-Banking-Systeme erlauben Ihnen nicht, auf das persönliche Konto des Kunden zuzugreifen und Geld zu verwalten, wenn Ihr Verhaltensmuster auf einen möglichen Betrug hinweist. Eine verbesserte Benutzererfahrung bedeutet in diesem Fall das Vertrauen Ihrer Benutzer, dass sie so weit wie möglich vor betrügerischen Versuchen geschützt sind.

  • Datenschutz

    Laut einer Studie von Harvard Business Review gaben 90 % der befragten Nutzer an, dass die aufmerksame Haltung von Unternehmen gegenüber den persönlichen Daten ihrer Kunden eine echte Einstellung gegenüber Kunden zeigt. Will man also Nutzer binden, hilft ein sorgsamer Umgang mit Daten und deren umfassender Schutz.

    Systeme für maschinelles Lernen können nachverfolgen, wie die Daten gespeichert, gesammelt und verwendet werden – im Allgemeinen, inwieweit Ihre Verfahren der DSGVO entsprechen. Für den Fall, dass potenziell betrügerische oder anormale Aktionen entdeckt werden, die Benutzerdaten behandeln, sendet das System einen Alarm.

  • Eliminierung betrügerischer RTO, Promo-Code-Missbrauch und Rückbuchungen

    Betrüger sind a priori kluge Leute, sonst könnten sie keine funktionierenden Systeme entwickeln. Der Einzelhandel ist eine sehr attraktive Branche, da es immer möglich ist, sich als seriöser Käufer auszugeben, um den Verkäufer zu täuschen.

    Machine-Learning-Systeme sind in der Lage, diese Versuche bereits im Stadium der Absicht zu stoppen – zum Beispiel, wenn Benutzer beginnen, eine Bestellung mit einer verdächtigen IP aufzugeben, die bereits in betrügerischen Schemata aufgefallen ist.

  • Vermeidung von Geldverlusten und Reputationsproblemen

    Jeder erfolgreiche betrügerische Versuch bedeutet Verlust von Geld und Reputation. Es ist viel einfacher, Geld zurückzugeben als einen guten Ruf – genau das sollten Sie nicht riskieren. Paradoxerweise weigern sich einige Unternehmen, Betrug entgegenzutreten, weil sie befürchten, dass dies ihrem Ruf schadet, obwohl das Gegenteil der Fall ist.

    Das Fehlen einer betrügerischen Reaktionsstrategie schadet Ihrem Ruf am meisten. Und das ist die Meinung der meisten modernen Benutzer.

Was sind die Best Practices für maschinelles Lernen zur Betrugserkennung?

Wie funktionieren maschinelle Lernsysteme also, um ein hohes Maß an Schutz vor illegalen Angriffen zu bieten?

  • Erkennung von Anomalien in Echtzeit

    Regelbasierte Systeme erkennen Betrug, wenn bereits Geld gestohlen wurde. Moderne Systeme arbeiten mit sich ständig ändernden Daten in Echtzeit, daher sind sie in der Lage, einen betrügerischen Versuch bereits in der Absichtsphase zu erkennen. So funktioniert das.

( Lesen Sie auch: Affiliate-Marketing-Betrug: Wie man ihn verhindert)

  • Verhaltensanalyse

    Was das Benutzerverhalten betrifft, wird das Modell in diesem Fall darauf trainiert, typische und abnormale Aktionen für einen bestimmten Benutzer zu erkennen. Eine abnormale Aktion mit einer Kombination anderer Faktoren kann ein Zeichen für einen betrügerischen Versuch sein, zum Beispiel wenn der Benutzer in einem anderen Land oder einer anderen Stadt eine große Menge Bargeld abhebt.

  • Tiefes Lernen

    In diesem Fall ist es notwendig, ein neuronales Netzwerk zu entwickeln und außerdem eine sehr große Datenmenge zur Analyse zu haben.

Welche Arten von Betrugsszenarien können mit AIML FD abgedeckt werden?

E-Commerce Gesundheitswesen Bankwesen
  • RTO- und Promo-Codes-Missbrauchsprävention:

Wir haben bereits gesagt, dass Systeme in der Lage sind, verdächtige IP-Adressen und damit durchgeführte Aktionen zu verfolgen, um eine autorisierte Person über einen Online-Betrugsversuch zu informieren.

  • Drogen- und Rezeptmissbrauchsprävention:

Dies ist der Fall, wenn das System das Verhalten von Personen überwachen muss, die für die Ausgabe von Rezepten und Arzneimitteln verantwortlich sind, und unsichtbare Ursache-Wirkungs-Beziehungen finden muss (z. B. die Verschwörung eines Arztes und Apothekers über Betrug mit teuren oder Betäubungsmitteln).

  • Geldwäsche- und Terrorismusfinanzierungsprävention:

Geld kann nicht ohne Kontrolle durch Banken und den Staat zirkulieren. Das bedeutet, dass ein System, das speziell für die Suche nach Mustern entwickelt wurde, die der Geldwäsche und der Terrorismusfinanzierung ähneln, erheblich zur Aufklärung dieser Verbrechen beitragen und ein transparentes Bankensystem schaffen kann.

  • Mobile Betrugsprävention:

Die Popularität des mobilen Einkaufens hat zu einem Anstieg des mobilen Betrugs geführt, der viele Formen annimmt, vom Diebstahl eines Kontos bis hin zum freundlichen Betrug. In diesem Fall überwacht der intelligente Algorithmus die von einem mobilen Gerät ausgeführten Aktionen des Benutzers und schließt daraus, ob sich das Smartphone (oder das Konto) in den Händen des rechtmäßigen Eigentümers befindet.

  • Erkennung von Kreditkartenbetrug:

Dies ist die häufigste Art von Betrug, und in letzter Zeit gewinnt der Betrug mit nicht vorhandener Karte zunehmend an Bedeutung. Ein Echtzeit-Betrugserkennungssystem kann helfen, einen Versuch oder sogar eine Absicht zu erkennen, bevor das Geld gestohlen wird.

  • Erkennung von Kreditproblemen:

In diesem Fall sammelt das System Daten über den potenziellen Kreditnehmer und zieht eine Schlussfolgerung über das Risiko der Kreditvergabe.

  • Medizinischer Datenschutz:

Medizinische Daten sind auf dem Schwarzmarkt sehr teuer und medizinische Organisationen müssen sie genauso verantwortungsbewusst schützen wie das Leben ihrer Patienten. Ein maschinelles Lernsystem ist in der Lage, Hacking-Versuche zu erkennen und zu blockieren.

Wie viel kostet die Implementierung einer ML-Betrugserkennungslösung?

Tatsächlich ist es möglich, die Kosten einer solchen Lösung nur nach einer sehr gründlichen Analyse des Unternehmens und seiner Bedürfnisse grob abzuschätzen.

  • Umstellungs-/Integrationskosten

    Wenn Sie zu einer speziell für Ihr Unternehmen entwickelten KI-Lösung wechseln, kann dies durchschnittlich 6000 US-Dollar und mehr kosten. Wenn Sie eine ML-Software eines Drittanbieters in Ihr Unternehmen integrieren möchten, kostet Sie das höchstens 40.000 US-Dollar pro Jahr.

  • Zu implementierende DataSets

    Laut Ravelins Forschung ist „maschinelles Lernen keine Wunderwaffe zur Betrugsprävention. Damit maschinelle Lernmodelle genau werden, ist eine erhebliche Datenmenge erforderlich. Für einige Händler ist es nützlich, einen grundlegenden Satz von Anfangsregeln anzuwenden und den Modellen zu ermöglichen, sich mit mehr Daten „aufzuwärmen“.

    Mit anderen Worten, unzureichende Daten können eine ernsthafte Einschränkung bei der Einführung von maschinellem Lernen darstellen. Andererseits gilt: Je mehr Daten einbezogen werden müssen, desto teurer und technisch komplexer wird die Lösung für Ihr Unternehmen.

Fazit

Die Möglichkeiten des maschinellen Lernens für Unternehmen beschränken sich nicht nur auf die Fähigkeit, Betrug zu erkennen. Bei maschinellem Lernen und künstlicher Intelligenz geht es um eine angenehmere Benutzererfahrung, nützliche datenbasierte Erkenntnisse und ein optimierteres und ethischeres Geschäft. Genau das soll in naher Zukunft in den Geschäftsprozessen umgesetzt werden.

***

Helen Kovalenko ist eine IT-Projektmanagerin, die in einem Data Science-Team an NLP, Computer Vision und Betrugserkennung arbeitet. Verbinden Sie sich mit Helen auf LinkedIn.